Il livello semantico dell'IA sta diventando la base dell'IA aziendale

Google News ha dato risalto questa settimana a un'affermazione netta: il livello semantico dell'IA sta diventando la base dell'IA aziendale, non un altro strumento dati facoltativo. L'argomento, sviluppato in un articolo di HPCwire, mette in discussione la strategia incentrata sul modello che ha caratterizzato molti dei primi progetti di IA generativa.

Il conflitto non riguarda più quale modello linguistico di grandi dimensioni scriva la risposta migliore. Riguarda se un qualsiasi modello comprenda cosa intenda un'impresa con cliente, ricavi, inventario, rischio o approvazione. Senza definizioni condivise, un agente può produrre analisi fluide usando però la metrica, la relazione o la regola di accesso sbagliata.

Google, Microsoft, Snowflake, Salesforce e i fornitori di piattaforme dati stanno convergendo verso versioni della stessa risposta architetturale. Vogliono un livello governato tra i sistemi aziendali grezzi e le applicazioni IA. Eppure le loro implementazioni concorrenti creano un secondo problema: la fonte condivisa di significato può diventare anche un nuovo punto di controllo.

Google News ha amplificato un cambiamento architetturale, non il lancio di un prodotto

Il cambiamento importante è che la tecnologia semantica si è spostata dall'infrastruttura analitica al centro della strategia IA aziendale.

Il titolo di HPCwire distribuito tramite Google News non annunciava una singola acquisizione, un round di finanziamento o il rilascio di un prodotto. Rappresentava un cambiamento più ampio già visibile sulle principali piattaforme aziendali.

Un livello semantico è una rappresentazione governata dei dati aziendali in termini che persone e macchine possono comprendere. Definisce metriche, entità, relazioni, autorizzazioni e regole al di sopra dei database fisici che custodiscono i record sottostanti.

Questo suona familiare perché i modelli semantici supportano la business intelligence da anni. Un dashboard delle vendite richiede una definizione condivisa di ricavi ricorrenti annuali tanto quanto un assistente IA. La differenza sta nelle conseguenze di una definizione errata.

Un dashboard normalmente presenta informazioni che una persona può esaminare. Un agente IA può interpretare tali informazioni, scegliere strumenti, generare una query e avviare un'azione. L'ambiguità di significato passa quindi da un problema di reporting a un rischio operativo.

Si consideri una richiesta volta a identificare clienti di alto valore a rischio di abbandono. Un modello linguistico grezzo deve dedurre cosa significhino “alto valore”, “cliente”, “rischio” e “abbandono” all'interno di quell'azienda. Questi termini potrebbero dipendere dallo stato del contratto, dai ricavi riconosciuti, dall'attività sul prodotto, dalla geografia o da esclusioni legali.

Il modello può scrivere SQL valido e rispondere comunque alla domanda sbagliata. Potrebbe conteggiare gli account di prova come clienti o usare le prenotazioni anziché i ricavi riconosciuti. Una spiegazione ben rifinita non rivela queste sostituzioni nascoste.

Il livello semantico restringe questo spazio interpretativo. Collega i termini aziendali a dati, calcoli, relazioni e policy approvati. Un agente interroga quindi una rappresentazione gestita invece di improvvisare direttamente su migliaia di tabelle e colonne.

Ecco perché il dibattito attuale va oltre la qualità della ricerca. L'IA aziendale sta passando dal recupero di documenti al ragionamento su record strutturati, operazioni in tempo reale e conoscenza interna. Ogni fonte aggiunta aumenta il numero di definizioni che possono entrare in conflitto.

Lo stesso problema emerge nei sistemi di conoscenza personali e di team. Una utile base di conoscenza IA deve preservare il contesto tra i documenti invece di trattare ogni passaggio come un fatto isolato. I sistemi semantici aziendali applicano questo principio ai dati governati e alle decisioni operative.

Google News ha dato maggiore visibilità all'argomento, ma il cambiamento sottostante è concreto. I fornitori stanno trasformando livelli metrici consolidati, ontologie e grafi della conoscenza in sistemi di grounding per gli agenti. Questo cambiamento crea pressione per ogni azienda che promette automazione aziendale affidabile.

Perché l'IA aziendale ha bisogno di significato più che di un altro modello

La qualità del modello resta importante, ma i fallimenti aziendali iniziano sempre più spesso da un contesto di business mancante anziché da una debole generazione linguistica.

I modelli linguistici di grandi dimensioni apprendono schemi generali da ampi dataset. Non sanno fin dall'inizio che un'azienda definisce un abbonato attivo dopo l'avvenuto pagamento. Non sanno nemmeno quale sistema sia responsabile di quello stato.

La generazione aumentata dal recupero, o RAG, aiuta fornendo documenti pertinenti durante una richiesta. Tuttavia, una policy recuperata non riconcilia automaticamente record in conflitto né applica la definizione approvata di una metrica.

Un livello semantico affronta una parte diversa del problema. Rappresenta il modo in cui i concetti si collegano, quali calcoli sono validi e dove risiedono i dati autorevoli. Un'ontologia estende questa struttura tramite entità, proprietà, relazioni e vincoli espliciti.

La distinzione risulta chiara in un esempio di supply chain. Un agente a cui viene chiesto dei ritardi nelle spedizioni potrebbe recuperare email dei vettori e note di magazzino. Deve comunque sapere come si relazionano ordini, rotte, strutture, fornitori e impegni di servizio.

Un modello governato può stabilire queste relazioni prima che arrivi la domanda. L'agente dedica meno sforzi a ricostruire la logica operativa dell'azienda a ogni richiesta. Ha anche meno occasioni di inventare un collegamento plausibile.

Il Center for Information Systems Research del MIT definisce un livello semantico come tecnologie che mantengono una rappresentazione coerente dei dati per esseri umani e macchine. Il suo briefing sul livello semantico del 2026 sostiene che i leader subiscono pressioni per aumentare gli investimenti con l'espansione delle iniziative IA.

Questa pressione arriva da più direzioni. I team dati devono supportare più interfacce conversazionali, mentre i team di sicurezza necessitano di controlli coerenti. Anche i responsabili di business vogliono che le risposte dell'IA corrispondano ai report approvati.

Gli sviluppatori avvertono la pressione quando gli agenti devono operare tra sistemi costruiti da team diversi. Un identificatore cliente in una piattaforma di fatturazione potrebbe non corrispondere all'identificatore in un sistema di assistenza. L'agente necessita di una mappatura affidabile tra i due.

Gli acquirenti aziendali affrontano una verifica correlata. Una dimostrazione può apparire convincente quando copre un dataset ristretto con esempi accuratamente preparati. L'uso in produzione espone terminologia in conflitto, lineage mancante, schemi in evoluzione e autorizzazioni non uniformi.

Il livello semantico promette di rendere esplicite queste dipendenze. Può fornire agli agenti definizioni riutilizzabili per misure, dimensioni, gerarchie e relazioni. Può anche preservare il collegamento da una risposta alla fonte governata.

Google ha presentato il modello semantico di Looker come una fonte di contesto aziendale per l'IA generativa. In un'analisi di Looker del 2025, l'azienda ha dichiarato che i test interni hanno ridotto gli errori nei dati delle query in linguaggio naturale fino a due terzi.

Quella cifra è un risultato riportato dall'azienda, non un benchmark indipendente di settore. Illustra comunque la metrica che i fornitori vogliono ora che gli acquirenti valutino. La domanda rilevante non è soltanto se un agente risponda, ma se applichi con coerenza una logica approvata.

Questo cambiamento mette sotto pressione sia i fornitori di modelli sia le aziende di piattaforme dati. Un modello migliore può mascherare un grounding debole durante una dimostrazione. Non può risolvere autonomamente la definizione controversa di un'organizzazione di profitto, cliente o esposizione alla conformità.

Le imprese devono fornire da sé quel significato. I fornitori possono mettere a disposizione strumenti di modellazione, ma i responsabili di business devono decidere quali definizioni diventino autorevoli. Questo lavoro organizzativo è più difficile che collegare un altro endpoint di modello.

Il livello semantico dell'IA sta diventando un piano di controllo per gli agenti

Il meccanismo più profondo è il grounding deterministico: gli agenti consultano il significato aziendale governato prima di interrogare dati o raccomandare un'azione.

Il termine “livello semantico” comprende diversi progetti correlati. I sistemi tradizionali si concentrano su metriche e dimensioni aziendali riutilizzabili. Gli approcci più recenti aggiungono ontologie, grafi della conoscenza, contesto non strutturato, regole di policy e interfacce rivolte agli agenti.

Il loro obiettivo comune è separare l'intento aziendale dall'archiviazione fisica. Un dipendente chiede informazioni sulla fidelizzazione dei clienti, non su una particolare colonna in una tabella di data warehouse. Il livello semantico traduce tale intento in operazioni sui dati approvate.

Questa separazione è importante perché i sistemi aziendali cambiano costantemente. Le tabelle si spostano, le applicazioni vengono sostituite e i team rinominano i campi. Un concetto di business stabile può restare disponibile mentre gli ingegneri aggiornano i suoi collegamenti sottostanti.

Per gli agenti IA, il livello può funzionare come un piano di controllo. Indica all'agente quali concetti esistono, come sono correlati, quali operazioni sono consentite e da dove provengono le prove a supporto. Il modello continua a interpretare la richiesta, ma non inventa le regole operative.

Fabric IQ di Microsoft mostra come questo schema stia entrando nelle piattaforme mainstream. La sua ontologia rappresenta il vocabolario aziendale tramite entità, proprietà, relazioni e vincoli. Questi concetti possono quindi collegarsi ai record archiviati tra le fonti OneLake.

Microsoft espone inoltre le capacità dell'ontologia attraverso Model Context Protocol, o MCP. MCP è un'interfaccia standard tramite la quale un sistema IA può scoprire e utilizzare strumenti esterni. L'attuale documentazione sull'ontologia MCP descrive la scoperta delle entità e le query in linguaggio naturale.

Questa interfaccia collega due livelli prima separati. MCP fornisce la connessione allo strumento, mentre l'ontologia fornisce il significato governato alla base dello strumento. Un agente riceve quindi più di un semplice ulteriore endpoint di database.

L'approccio modifica anche i sistemi dal linguaggio naturale a SQL. Le implementazioni convenzionali chiedono a un modello di esaminare uno schema e generare una query. I grandi schemi aziendali rendono difficile il processo perché i nomi sono criptici e le relazioni raramente evidenti.

Un articolo di ricerca del 2026 ha testato un intermediario di modello semantico sul benchmark Spider2-snow. Il sistema generava una query semantica compatta prima di compilarla in SQL specifico per il database. I risultati del benchmark riportati hanno raggiunto un'accuratezza di esecuzione del 94,15 percento su 547 attività.

Questi risultati appartengono a una sola implementazione di ricerca e non stabiliscono un tasso di produzione universale. Supportano l'argomentazione architetturale a favore del vincolo delle scelte del modello prima dell'esecuzione. Un compilatore può imporre relazioni che un generatore SQL in forma libera potrebbe trascurare.

L'idea del piano di controllo raggiunge anche la conoscenza non strutturata. Policy, verbali di riunioni, documentazione tecnica e ricerca sui clienti contengono contesto che non compare mai in un archivio di metriche. Le imprese hanno bisogno di modi per collegare questi materiali a entità e decisioni governate.

Questo collegamento assomiglia alla fusione della conoscenza, in cui i materiali recuperati mantengono il loro contesto di origine contribuendo al contempo a una risposta combinata. Un flusso di lavoro di knowledge blending può aiutare le persone a sintetizzare informazioni disperse. Un livello aziendale aggiunge proprietà formale, controlli di accesso e definizioni condivise.

Un agente pratico potrebbe innanzitutto risolvere un cliente tramite l'ontologia. Potrebbe quindi recuperare la misura di ricavo approvata del cliente, i casi di assistenza aperti e le clausole contrattuali pertinenti. Ogni passaggio utilizzerebbe una relazione esplicita anziché un'associazione presunta.

Questo meccanismo può ridurre l'uso di token perché il modello riceve una rappresentazione più piccola e pertinente. Può anche migliorare l'auditabilità perché il sistema registra quali definizioni e fonti hanno plasmato una risposta.

Tuttavia, la semantica non elimina il ragionamento probabilistico. Il modello linguistico può comunque fraintendere una richiesta o riassumere male le prove. Il livello vincola l'accesso e l'interpretazione dei dati, ma non rende ogni output deterministico.

L'architettura più solida combina quindi semantica governata e verifica. Un'azione ad alto impatto dovrebbe controllare le autorizzazioni, convalidare gli input, mostrare in anteprima gli effetti e registrare il risultato. L'approvazione umana resta appropriata quando gli errori comportano conseguenze finanziarie o legali.

Google, Microsoft e gli standard aperti si contendono il livello del significato

La principale battaglia competitiva è tra interoperabilità semantica condivisa e contesto aziendale specifico della piattaforma.

Ogni grande piattaforma dati trae vantaggio quando le aziende codificano il significato nel suo modello preferito. La piattaforma acquista valore perché report, agenti e workflow dipendono da tali definizioni. Allontanarsene diventa più difficile.

Google dispone già di LookML, il linguaggio di modellazione alla base di Looker. Consente ai team di definire dimensioni, metriche, join e regole di accesso sopra i dati sottostanti. Google ora posiziona questo livello esistente come base per l'AI generativa e i workflow degli agenti.

Microsoft si sta espandendo dai modelli semantici di Power BI verso ontologie, grafi, agenti operativi e accesso MCP. La sua strategia collega il significato aziendale agli ecosistemi più ampi di Fabric e Microsoft 365. Gran parte delle nuove funzionalità delle ontologie resta in anteprima.

Snowflake e Salesforce hanno promosso una direzione più interoperabile attraverso l'iniziativa Open Semantic Interchange. BlackRock, dbt Labs e RelationalAI hanno aderito allo sforzo annunciato nel 2025.

L'iniziativa mira a standardizzare lo scambio di metriche, dimensioni, gerarchie e relazioni. Snowflake descrive il progetto come indipendente dai fornitori, con modelli specifici per dominio ed estendibilità tra i suoi principi fondamentali.

Questo è l'antagonista centrale di questa storia. Le aziende possono adottare un framework semantico condiviso che si sposta tra strumenti, oppure accettare un livello specifico della piattaforma con un'integrazione nativa più profonda. Nessuna delle due strade offre ancora una risposta completa.

Un sistema proprietario può garantire prestazioni, governance ed esperienza utente più integrate all'interno di una sola piattaforma. Può collegare dashboard esistenti agli agenti AI con meno sviluppo personalizzato. Il compromesso è la dipendenza dai concetti e dalle interfacce di quella piattaforma.

Un modello di scambio aperto può ridurre la duplicazione tra strumenti di analytics. Può inoltre impedire che ogni piattaforma di agenti traduca le definizioni aziendali in modo diverso. Tuttavia, uno standard ha successo solo quando i fornitori ne implementano una parte sufficiente in modo coerente.

Le definizioni contengono anche più della sintassi. Due piattaforme possono scambiare l'etichetta “ricavi netti” applicando però regole diverse su tempistiche, trattamento delle valute ed esclusioni. L'interoperabilità richiede che siano preservati significato, lineage e vincoli.

Ecco perché conta la titolarità aziendale. Un fornitore può ospitare il modello semantico, ma la finanza deve approvare la definizione di ricavo. Le operazioni devono definire lo stato della spedizione e i team legali devono decidere quale policy controlla un'azione automatizzata.

L'onere di manutenzione cresce con l'espansione del modello. Nuovi prodotti introducono entità, le acquisizioni portano sistemi incompatibili e le regole regionali creano eccezioni. Un livello semantico che resta indietro rispetto all'azienda diventa una fonte sicura di significati obsoleti.

La copertura di Google News può far sembrare consolidata la categoria prima che tali questioni di governance siano risolte. La metafora delle fondamenta è utile, ma le fondamenta richiedono ispezioni continue. Non diventano affidabili semplicemente perché un fornitore le definisce semantiche.

Gli acquirenti dovrebbero quindi valutare la portabilità insieme alle funzionalità. Le definizioni possono essere esportate in una forma utilizzabile? Un altro agente può interrogarle attraverso un'interfaccia documentata? Le regole di accesso sopravvivono quando i dati attraversano i confini tra piattaforme?

Dovrebbero inoltre distinguere i modelli di metriche dalle ontologie operative più ampie. Un livello orientato alle dashboard può calcolare i ricavi in modo coerente senza rappresentare contratti, fornitori, strutture o catene di approvazione. I workflow agentici richiedono spesso sia calcoli sia relazioni.

I fornitori che collegano questi elementi senza intrappolare i clienti ottengono un vantaggio. I probabili vincitori supporteranno insieme modellazione governata, interfacce aperte ed esecuzione osservabile. Un modello solido da solo non risolverà la competizione.

Il problema della fiducia si sposta nella governance

Un livello semantico può ridurre l'ambiguità, ma può anche formalizzare gli errori e distribuirli a ogni sistema AI connesso.

Centralizzare il significato crea leva. Correggere una definizione approvata consente a ogni dashboard o agente di ereditare la correzione. Approvare la definizione sbagliata consente agli stessi sistemi di ripetere l'errore su scala maggiore.

Questo è il più forte argomento scettico contro il trattamento del livello semantico AI come fondamento automatico. La tecnologia non scopre da sola la verità organizzativa. Registra decisioni prese da persone, team e sistemi di modellazione automatizzati.

Molte aziende non hanno un unico responsabile per i concetti chiave. Vendite, finanza e customer success potrebbero definire ciascuno in modo diverso un cliente attivo. Scegliere una definizione può diventare una decisione politica anziché una pulizia tecnica.

Alcune differenze sono legittime. La finanza può aver bisogno di una vista dei ricavi riconosciuti, mentre i team di prodotto necessitano di una vista basata sulle attività. Un livello utile deve preservare questi contesti senza consentire a un agente di scegliere tra essi in silenzio.

L'aggiornamento dei dati crea un altro rischio. Un'ontologia può descrivere accuratamente i processi dello scorso trimestre senza includere un prodotto o un controllo introdotti di recente. Gli agenti hanno bisogno di versioning e date di efficacia, non di etichette senza tempo.

Le autorizzazioni sono altrettanto importanti. Comprendere che un dipendente è collegato a un record retributivo non autorizza l'accesso a quel record. Le relazioni semantiche devono operare al di sotto dei controlli di sicurezza e privacy esistenti.

La documentazione sulle ontologie di Microsoft presenta un modello condiviso governato, ma diverse funzionalità correlate restano anteprime. Lo stato di anteprima significa che interfacce, limitazioni e garanzie operative possono cambiare. Gli acquirenti non dovrebbero trattare il linguaggio della roadmap come prova di produzione.

Anche la riduzione degli errori riportata da Google richiede un'interpretazione attenta. L'accuratezza delle query in linguaggio naturale dipende dal dataset, dal metodo di valutazione, dal modello e dalla definizione di errore. Una percentuale derivata da test interni non può prevedere le prestazioni in ogni azienda.

Il benchmark SQL del 2026 presenta limiti simili. L'accuratezza di esecuzione su 547 attività controllate non misura errori di autorizzazione, definizioni obsolete o disaccordo organizzativo. La valutazione in produzione deve includere tali modalità di errore.

Il costo è un'altra questione irrisolta. Costruire un modello semantico utile richiede esperti di dominio, ingegneri dei dati, personale di governance e responsabili delle applicazioni. L'estrazione automatizzata può accelerare la prima bozza, ma gli esperti devono comunque convalidare relazioni e regole.

Le aziende più grandi possono assorbire questo investimento perché risposte incoerenti comportano già costi sostanziali. Le organizzazioni più piccole potrebbero trarre maggior beneficio da un modello ristretto attorno alle loro decisioni di maggior valore. Tentare di modellare l'intera azienda può ritardare risultati utilizzabili.

Esiste anche il rischio di una rigidità eccessiva. Il linguaggio aziendale cambia mentre i team sperimentano nuovi prodotti e modelli operativi. Un livello fortemente controllato può rallentare la sperimentazione se ogni concetto temporaneo richiede un'approvazione centrale.

Un design migliore separa le definizioni stabili da quelle esplorative. Gli agenti possono usare concetti certificati per decisioni ad alto impatto, etichettando chiaramente le metriche sperimentali. L'interfaccia dovrebbe mostrare confidenza, titolarità e stato della versione.

L'osservabilità diventa essenziale una volta che gli agenti agiscono attraverso il livello. I team necessitano di log che mostrino il concetto richiesto, la definizione selezionata, i dati di origine, la query generata, la decisione sulle autorizzazioni e l'azione risultante. Altrimenti, la governance resta una promessa architetturale.

La revisione umana dovrebbe concentrarsi sulle conseguenze anziché su ogni query. Un riepilogo di sola lettura può tollerare controlli diversi rispetto all'approvazione di un pagamento o alla sospensione di un account. Il grounding semantico supporta questa distinzione, ma l'applicazione delle policy deve implementarla.

La categoria maturerà quando i fornitori pubblicheranno prove che vadano oltre le dimostrazioni curate. Gli acquirenti hanno bisogno di valutazioni ripetibili con schemi disordinati, definizioni in conflitto, dati mutevoli e autorizzazioni negate. Hanno inoltre bisogno di report sui fallimenti, non solo dell'accuratezza media.

Fino ad allora, la conclusione più sicura è condizionale. Un livello semantico può migliorare l'affidabilità dell'AI aziendale quando le definizioni restano governate, aggiornate, portabili e osservabili. La mancanza di una qualunque di queste proprietà può spostare l'errore a monte senza eliminarlo.

Cosa osservare dopo l'attenzione di Google News

La prossima fase sarà decisa dall'interoperabilità, dall'accuratezza misurata degli agenti e dalla titolarità continuativa delle definizioni aziendali.

Il primo segnale è il supporto in produzione per lo scambio semantico aperto. Occorre osservare se Google, Microsoft, Snowflake, Salesforce, dbt Labs e altri fornitori importano ed esportano definizioni senza perdere relazioni o metadati di governance.

Una compatibilità più ampia rafforzerebbe l'ipotesi che il livello semantico stia diventando un'infrastruttura aziendale condivisa. Una compatibilità limitata suggerirebbe che i fornitori stiano costruendo punti di controllo concorrenti dietro un linguaggio simile.

I dettagli contano più di un altro annuncio di partnership. Gli acquirenti dovrebbero cercare trasferimenti funzionanti di metriche, dimensioni, gerarchie, autorizzazioni, lineage e date di efficacia. Un'etichetta comune senza questi elementi offre una portabilità superficiale.

Il secondo segnale è una valutazione indipendente degli agenti basati sul grounding. I test dovrebbero confrontare l'accesso a schemi grezzi, il recupero di documenti, i modelli di metriche e ontologie più ricche sulle stesse attività aziendali.

Misurazioni utili includono l'accuratezza delle query, le violazioni delle policy, i tassi di risposte obsolete, l'intervento umano, la latenza e il costo totale di esecuzione. Le valutazioni dovrebbero inoltre verificare se gli agenti rifiutano richieste quando manca un significato o un'autorizzazione approvati.

Prove di miglioramenti coerenti tra modelli diversi sosterrebbero l'affermazione delle fondamenta. Miglioramenti limitati al dataset preparato di un singolo fornitore la indebolirebbero. Gli acquirenti aziendali hanno bisogno di risultati che resistano a schemi mutevoli e definizioni in conflitto.

Il terzo segnale è l'adozione organizzativa. Le aziende devono assegnare responsabili ai concetti importanti e pubblicare un processo per risolvere i disaccordi. L'uso della tecnologia senza questo modello operativo produrrà debito semantico con un nuovo nome.

Occorre osservare quanti deployment di agenti riutilizzano definizioni approvate tra i vari reparti. Il riuso è un segno di progresso più forte del numero di concetti inseriti in un catalogo. Mostra che il livello influenza decisioni reali.

Osservate anche il tasso di correzioni. Modifiche silenziose frequenti possono rendere impossibile ricostruire le decisioni passate degli agenti. Modifiche versionate con responsabili visibili mostrano che la governance funziona come previsto.

Per gli sviluppatori, l'azione immediata è separare il ragionamento del modello dalle regole aziendali. Mantenete calcoli e relazioni critici in sistemi ispezionabili. Richiedete agli agenti di citare le definizioni utilizzate per risposte con conseguenze rilevanti.

Gli acquirenti aziendali dovrebbero iniziare con un workflow circoscritto. Scegliete una decisione con responsabili identificabili, sistemi di origine noti e costi di errore misurabili. Verificate se il grounding semantico migliora i risultati prima di espandere il modello.

I knowledge worker dovrebbero porsi una domanda più semplice ogni volta che una risposta dell’IA suona sicura: quale definizione ha usato il sistema? Se l’interfaccia non sa rispondere, la fluidità sta facendo più lavoro della governance.

Il titolo di Google News coglie una reale svolta architetturale, ma il fondamento non è costituito soltanto dal software semantico. È la combinazione di significato condiviso, responsabilità attribuita, policy applicabili e prove visibili.

Le imprese costruiranno questa disciplina operativa, oppure acquisteranno un altro livello aspettandosi che il modello risolva i loro disaccordi? La prossima ondata di implementazioni dovrebbe rendere la risposta misurabile.